第14卷第4期电光与控制Vol. 14 ∀. 4
2007年8月ELECTRONICS OPTICS &CONTROL Aug. 2007
文章编号:1671-637 (2007) 04 0019 04
控制系统故障诊断浅析
蔡宗平, 汤正平, 王跃钢, 史 磊
(第二炮兵工程学院, 西安 710025)
摘 要: 简要回顾了故障诊断技术的发展历程, 介绍故障诊断的基本概念, 着重综述基于模型故障诊断技术和不依赖于模型的智能故障诊断技术特点和发展概况。为未来故障诊断技术的发展提出了一些展望。
关 键 词: 智能故障诊断; 专家系统; 模式识别; 模糊数学; 神经网络; 故障树中图分类号: V271. 4; TP206. 3文献标识码: A
Analysis of fault diagnosis
C AI Zong-ping, TANG Zheng-ping, W ANG Yue-gang, SHI Lei
(T he Second Artillery Engineering College, Xi an 710025, China)
Abstract: The development of the fault diagnosis technique is revie wed and the basic principles of the diag nosis are presented. The fea tures and the development of the fault dia gnosis techniques which are based on the model or independent of the model are discussed in detail. Some prospec ts for the future development of the fault diagnosis techniques are also presented.
Key words: intelligent fault diagnosis; expert syste m; pattern recognition; fuzzy mathematics; neu ral network; fault tree technique
以信号处理和建模处理为基础的现代诊断技术, 在工程中已得到广泛的应用。但这些方法都有一定局限性, 主要表现在:1) 不能有效地利用专家的知识和经验; 2) 缺乏推理能力, 不能象专家一样既能向前推理, 又能向后推理; 3) 不具备学习机制; 4) 对测试诊断结果缺乏解释, 测试诊断程序的修改和维护性差。近年来, 为了满足复杂系统的诊断要求, 随着计算机及人工智能的发展, 诊断技术进入以知识处理为核心, 信号处理、建模处理与知识处理相融合的第三发展阶段! 智能诊断阶段。智能故障诊断技术的研究目前主要向两个方向展开:基于知识的智能故障诊断技术的研究和基于神经网络的智能故障诊断技术的研究[2]。
0 引言
为了提高控制系统的维修性和安全性, 人们迫切需要建立一个监控系统对控制系统进行故障诊断, 监视控制系统的运行状态, 实时检测出系统发生的故障,
并对故障原因、故障频率和故障的危害程度进行分析、判断, 得出结论, 采取必要的措施, 防止系统灾难性事故的发生。这就需要研究和应用控制系统的故障诊断理论。控制系统故障诊断技术的基础理论是现代控制论、计算机工程、数理统计、信号处理、模式识别、人工智能、人工神经网络以及相应的应用学科, 它的研究已经成为控制领域中的前沿课题。
故障诊断技术发展至今已经历了3个阶段。第一阶段, 诊断结果在很大程度取决于领域专家的感官和专业经验, 对诊断信息只作简单的数据处理。第二阶段是以传感器技术和动态测试技术为手段,
收稿日期:2005 12 07 修回日期:2006 02 24
作者简介:蔡宗平(1964 ) , 男, 陕西岐山人, 硕士, 主要研究
方向为导航、制导与控制。
[1]
1 故障诊断的概念
故障定义为使系统表现出不希望特性的任何异常现象, 或动态系统中部分元器件功能失效导致整个系统性能恶化的情况或事件。当系统发生故障时, 系统中的各种量(可测的或不可测的) 或它们的一部分表现
20
电光与控制 第14卷
障信息, 如何找到故障的特征描述, 并利用它们进行故障的检测隔离就是故障诊断的任务。
1) 故障特征的提取。通过测量和一定的信息处理技术获取反映系统故障的特征描述的过程。故障特征可分为:可测的系统输入输出信息; 不可测的状态变量; 不可测的模型参数向量; 不可测的特征向量; 人为的经验知识。故障提取方法有:直接观察和测量; 参数估计、状态估计或滤波与重构; 对测量值进行某种信息处理。
2) 故障的分离与估计。根据故障检测的故障特征确定系统是否出现故障以及故障程度的过程。
3) 故障的评价与决策。根据故障分离与估计的结论对故障的危害及严重程度作出评价, 进而作出是否停止任务进程及是否需要维修更换的决策。
根据对电路故障诊断要求的高低, 可分为故障检测、故障定位和故障识别3级。
#故障检测。判断被测电路是否存在故障, 这是故障诊断的最低要求。
∃故障识别。要求确定故障电路中故障元件的参数值, 这是故障诊断的最高要求。
%故障定位。要求确定电路中的故障元件范围, 范围可为一子电路、元件区域及元件, 它对故障诊断的要求介于故障检测及故障识别之间。
然后将它与输出的测量值作比较从中取得故障信息。它又可分为两种:基于状态估计和参数估计的故障诊断方法。
2. 1. 1 基于状态估计的故障诊断方法
1971年Beard 首先提出故障诊断检测滤波的概念, 标志着基于状态估计的解析冗余故障诊断方法的诞生。发展至今形成了3种方法:Beard 提出的故障检测滤波器的方法; Menra 和Peshon 提出的基于Kalman 滤波器的方法、Clark 提出的构造Kalman 滤波器阵列功Lunberg 观测器的方法; Deckert 提出的一致性空间的方法[1]。实现分为两步:1) 形成残差, 即真实系统的输出与状态观测器或卡尔曼滤波器的输出差值; 2) 从残差中提取故障特征进而实现故障诊断。优点是概念清楚, 实现简单, 故障检测和诊断速度快。但突出问题是:未知输入(干扰、未建模动态等未知干扰因素) 与故障、故障与故障之间的可分离问题。本质是故障诊断系统对模型误差及其他不确定干扰的抗拒能力, 当前对它的处理方法有:1) 设计时忽略不确定因素, 将设计好的观测器置于存在不确定因素的条件下进行实验、评估, 如果不满足性能要求, 再对设计加以修改完善; 2) 设计时全面考虑不确定因素的影响, 对系统进行优化, 使系统对不确定因素呈现出鲁棒性[1]。状态估计方法在实际中得到了广泛的应用, 如飞机横轴自动驾驶仪采用检测滤波器方法, F8-C 战斗机采用扩展的卡尔曼滤波器, 核反应堆采用多滤波器方法, 水翼艇、机器人[3]、三容水箱[4]采用观测器方法, 天然气管线采用自适应状态估计。故障诊断的鲁棒性常常与故障诊断系统对故障的敏感性要求相矛盾, 要求折衷考虑。但方法的求解都十分复杂, 寻求用计算机迭代求解的鲁棒观测器设计方法成为以后的发展方向。2. 1. 2 基于参数估计的方法
Isermand 在1984年对基于参数估计的故障诊断方法作出了完整的描述。思路是:由机理分析确定系统的模型参数和物理元器件参数之间关系方程 =f (p ) , 由实时辨识求得系统的实际的模型参数^ , 由 =f (p ) 和^ 解实际的物理元器件参数p ^, 将p ^和p 的标称值作比较, 从而确定系统是否故障及故障的程度。优点是具有提供故障发生的位置和程度的潜力, 能够同时对传感器、执行器以及元部件故障进行检测与隔离。缺点是:1) 有时求解物理元件参数是困难的甚至是不可能的; 2) 当系统发生故障时, 不仅可能引起模型参数变化, 而且还可能引起模型结构的2 故障诊断的方法浅析
故障的分类可从不同的方面进行, 从故障发生的部位看, 可分为仪表故障、执行器故障和元件故障; 根据故障性质, 可分为突变故障和缓慢故障; 从建模角度可分为乘性故障和加性故障。至于故障诊断的方法, 一般可分为硬件冗余方法和软件冗余方法。硬件冗余方法需要增加测试设备, 使系统复杂, 成本高, 所以多采用软件冗余。本文主要介绍软件冗余方法。软件冗余方法可分为两大类:1) 基于控制系统解析模型的诊断方法; 2) 不依赖于解析模型的诊断方法, 它又可分为基于信号处理的诊断方法和基于知识的诊断方法。
故障诊断的过程有3个主要步骤:1) 检测设备状态的特征信号; 2) 从所检测到的特征信号中提取征兆; 3) 根据征兆和其他诊断信息来识别设备的状态, 从而完成故障诊断。根据系统采用的特征描述和决策方法的差异形成了不同的故障诊断方法。2. 1 基于模型的故障诊断方法
核心思想是用解析冗余取代硬件冗余(冗余) 。,
[1]
第4期 蔡宗平等: 控制系统故障诊断浅析
21
推算法; 3) 系统发生故障时, 系统故障引起参数结构和参数变化的形式是不确定的, 而对于不确定时变, 变结构变参数辨识问题, 目前的辨识方法难以胜任。在实际应用中经常将参数估计[5]方法与其他解析模型的方法结合起来使用, 以便获得更好的故障检测和分离性能。参数估计的故障诊断方法在实际生产中得到广泛的应用, 如机床的故障诊断, 造纸机的故障检测[7], 三相感应电动机的故障检测[8], 以及非线性系统的集成故障诊断与容错控制[9]。
2. 2 不依赖于模型的故障诊断
目前, 以传感器技术为基础, 以信息处理技术为手段的信息诊断结合计算机系统技术的智能诊断, 已成为当前诊断领域的主流。
2. 2. 1 基于信息的故障诊断
1) 可测值或其变化趋势值检查方法。根据可测的输入输出及其变化趋势来进行故障诊断。其依据是:正常情况下, 被控过程的输入输出及变化趋势在一定范围内变动。基于可测信号处理的故障诊断方法:系统的输出在幅值、相位、频率及相关性上与故障存在着某种关系, 如旋转机械中的滚动轴承在出现疲劳脱落、压痕或局部腐蚀等故障时其振动信号的功率谱就会出现相应的反应, 以此可确定系统故障。以上方法实现简单, 在工程上有广泛应用, 但这种方法只有当故障发展到相当程度并影响到外特征时才有效, 而且只对故障范围作出粗略的判断, 大多数情况下不能直接定位故障。
2) 基于小波变换的故障检测方法。在基于信号分析的故障诊断技术中, 小波变换由于能够以不同的&尺度∋或&分辨率∋为观察信号, 具有变时域、频域窗, 因此可用来对突变信号进行检测。利用小波变换进行故障检测时, 同时对系统的输入和被检测信号(系统的输出或可能的状态变量) 进行小波变换。然后分析不同尺度下信号的变换结果。在被检测信号小波分析中剔除由于输入信号变化所引起的奇异点, 剩下的奇异点就是发生的故障点。小波分析作为&数学显微镜∋, 具有很优秀的&探微∋能力, 不需要系统的数学模型, 对噪声的抑制能力强, 有较高的灵敏度, 运算量也不大, 无论多么复杂的信号只要选取适当的小波, 进行适当次数的变换, 就可以发现其中所包含的诊断信息, 从而应用于诊断领域。如导弹运输车的故障诊断[12]、直升机的故障诊断。
2. 2. 2 基于智能的故障诊断
1) 故障诊断的专家系统方法。利用专家积累, [11]
[10]
[9]
[6]
问题和解决问题的过程, 求解复杂的故障诊断问题, 确定故障的原因和部位。故障诊断专家系统至少由知识库、推理机、人机接口3部分组成。知识库通过&知识获取∋机构与领域专家相联系, 形成专家系统与领域专家的人机接口, 并通过知识的获取建立和更新知识库。推理机运用知识库中提供的知识, 按一定的推理策略进行推理, 以达到要求的目标。优点是:表达直观、形式统一、模块性强、推理机制简单, 克服了对模型的过分依赖性, 在故障诊断领域中得到广泛的应用。但该方法实现故障诊断准确度依赖于专家知识库中专家知识丰富程度和专家水平的高低。且知识库建立费时而困难重重, 如有些直觉难以形式化描述, 并且当系统较大时存在&组合爆炸∋和&冲突消解∋等问题; 推理效率低和缺少有效的自学习、自适应机制。专家系统故障诊断在工程上的实际应用有火箭发动机故障诊断专家系统[13]、卫星控制系统地面实时故障诊断、导弹自动测试设备(ATE) 的专家系统等。并经常与其他故障诊断方法结合起来使用, 相互取长补短。
2) 故障树故障诊断方法。故障是表示系统或特定事件或不希望事件与它的各个子系统或各个部件故障事件之间的逻辑结构, 通过这种结构对系统故障形成原因作出总体至部分按树逐渐地细化划分。故障树分析方法可对系统或机器的故障进行预测和诊断, 分析系统的薄弱环节, 实现最优化。用故障树分析法不仅可以分析系统硬件故障和软件故障, 还可以考虑到人为因素; 不仅可以分析单一故障诱发的系统故障, 而且还可以分析两个以上构件同时发生故障时才会发生的系统故障, 可靠性高。典型的应用有民兵导弹发射的随机预测, 波音公司的飞机故障的故障树分析程序。其缺点是建立故障树很麻烦, 工作量大, 有可能漏掉重大的部件或元件故障, 且理论性强, 逻辑严密, 对分析人员的要求很高。
3) 模式识别的故障诊断方法。模式识别就是指识别出给定物体所模仿的标本。模式识别方法的基本思想是对系统的工作流程经过仿真和分析, 加上人们的经验, 建立各种故障模式, 根据测量信息, 确定系统属于哪一种模式, 从而检测和分离故障。实现步骤分两个阶段:#离线分析。通过离线分析确定能够表达系统故障状态的特征向量集和以该特征向量集描述的故障模式向量, 由此形成故障的基准模式集, 并确定区分识别这些故障模式的判别函数。∃在线诊断。实时提出故障的特征向量, 由判别函数对故障[14]
控制系统中应用最为广泛, 通常系统自动诊断和自检测都是采用模式识别方法, 如液压泵的故障诊断[15]。缺点是要求对过程的机理, 尤其是对故障机理, 应有十分清楚的了解, 必须掌握故障模式、影响及危害性分析、故障树分析、故障决策表分析等方法; 另外还要做大量的故障仿真实验; 表达系统故障的特征向量和确定合适的判别函数非常困难。当前的发展是和神经网络、模糊数学相融合[16]。
4) 基于模糊数学的故障诊断方法。模糊诊断在一定程度上模拟人的诊断, 不需要有准确的诊断对象数学模型, 利用隶属函数和模糊规则进行模糊推理, 实现故障诊断。模糊化模块将输入的故障精确量转化成模糊化量, 然后由模糊推理模块根据知识库中的领域知识进行推理, 清晰化模块则将推理结果变换成清晰量提交给用户。在故障诊断中, 故障征兆常常显示出模糊性, 故障与征兆的关系往往也是模糊的, 因而以模糊集表示的模糊语言变量能更准确地表示具有模糊特性的征兆和故障, 符合事物的客观本质, 而且能处理诊断中的不确定信息。同时模糊语言变量接近自然语言, 知识的表示可读性强, 类似人类的思维过程, 易于解释。对故障的模糊性和精确性知识进行统一描述和推理, 并具有可修改性和可扩充性等优点[17]。一般是和其他方法组合起来应用, 如空调实验装置的冷却线圈故障诊断采用模糊诊断方法, 液压系统故障诊断采用模糊神经网络诊断方法。但困难在于建立模糊关系矩阵和如何确定某故障属于某一成因的隶属度, 即如何确定故障的模糊隶属度向量, 因为这些都依赖于对系统的认识和有关系统的先验知识。直接从系统的运行数据中提取这些信息的方法可能是下一步的发展方向。
5) 基于人工神经网络的故障诊断方法。人工神经网络是由大量简单的处理单元, 以某种拓扑方式相互连接而成的动力学系统, 信息处理由神经元之间的大规模连接权值与作用函数的并行运算实现。实现故障诊断分为2个阶段:#学习阶段。选定合适的网络结构和规模, 借助一定的学习算法, 以能反映系统的动态特性、建模误差和干扰影响的变量作为神经网络的输入, 以对应状态编码(可人为规定) 为期望输出, 构成输入/期望输出样本对, 对神经网络进行训练, 确定神经网络的权值和阈值, 当学习收敛后冻结神经网络的权值和阈值。∃故障诊断阶段。使训练好的神经网络处于回想状态, 对于一个给定的输入, 便产生一个相应的输出, 由输出与故[2]
大规模并行运行处理, 具有整体效应, 容错性好, 具有自适应学习能力。实际应用有卫星姿态测量系统故障诊断、航天飞机发动机故障诊断、船舶柴油机故障诊断[18]、导弹控制系统动态测试与故障诊断[19]等。但困难是如何确定合适的网络结构和规模、算法的收敛性、实时性、快速性, 如何增加解释能力、透明性, 如何保证学习样本的完整性和代表性, 这些都是有待进一步研究的问题。
3 诊断技术的发展展望
从目前的发展来看, 信息诊断和智能诊断并不是完全独立的两个分支, 彼此之间仍然相互融合、相互渗透, 并且有更进一步集成的趋势。目前集成研究的方向主要是:1) 多种推理方法的集成, 基于混合推理策略的诊断。在基于知识的基础上, 主要研究不同推理方法的集成以便相互补充, 实现多形式、多角度的诊断推理, 提高系统的灵活性。2) 结合方式有很多, 如基于规则的推理(RB R) 与ANN 的结合, CBR 与RB R 和ANN 的结合, 模糊逻辑、ANN 与专家系统的结合等。其中模糊逻辑、ANN 与专家系统结合的诊断模型是最具发展前景的, 也是目前人工智能领域的研究热点之一。3) 多信息量融合, 多层次诊断集成。它集成知识库中的各种诊断知识, 结合数据库中的各种故障数据, 按照不同的故障情况进行综合分析、判断, 定位故障点。4) 诊断与控制相结合的集成。根据当前设备的健康状况决定设备运行方式或策略, 最终要预知故障, 从而防止故障的发生, 是最高级的集成化趋势。
[20]
4 结束语
未来故障诊断正快速向智能化、信息化、敏捷化发展。其中以相互结合, 取长补短的故障诊断最有发展前景, 并逐步向集成方向发展。故障诊断在理论方面取得了巨大成果, 但如何将故障诊断方法应用于实际中, 还有待于进一步研究。参考文献:
[1] 胡昌华. 控制系统故障诊断与容错控制的分析和设计
[M]. 北京:国防工业出版社, 2000.
[2] 闻新, 张洪钺, 周露. 控制系统的故障诊断和容错控制
[M]. 北京:机械工业出版社, 1998.
[3] KUMAMARUK K. Robust fault detection using index of Kull
back discrimination i nformation[C]//Proc. of IF AC World Congress, 1996:205-210.
(下转第26页)
能好坏和k 的选取有很大关系。当b 1=2时, 其最小错分率在k =9时取得, 为3. 3%; 当b 1=1. 5时, 其最小错分率在k =8时取得, 也为3. 3%。本实验的仿真环境为:CPU 为Intel 奔腾2. 4GHz, 内存512M, 计算软件为Matlab 6. 5, 基于支持向量机的分类器耗时0. 8s, 模糊k -近邻分类器耗时16. 7s 。分析以上结果可知, 改进的SVM 方法分类性能比模糊k -近邻算法的分类性能更好, 且运算时间更短, 更易于实时实现。
随之急剧增加, 训练难度迅速增大, SVM 分类器性能明显下降, 最终导致检测性能急剧下降。如何提高大样本甚至海量样本下的SVM 分类器性能, 这是作者正在研究的工作。参考文献:
[1] 史忠值. 知识发现[M].北京:清华大学出版社, 2002. [2] HAGAN M T. 神经网络设计[M]. 戴葵, 译. 北京:机械工
业出版社, 2002.
[3] 郭志恒, 张彤. 应用神经元网络方法实现目标分类[J].
电光与控制, 1998, 5(1) :59 62.
[4] 孙德山. 支持向量机分类与回归方法研究[D].长沙:中
南大学, 2004.
[5] VAPNIK V N. 统计学习理论的本质[M]. 张学工, 译. 北
京:清华大学出版社, 2000.
[6] 李映, 白本督, 焦李成. 支撑矢量机的分类机理[J]. 系
统工程与电子技术, 2001, 23(9) :25 27.
[7] 许秀英, 盛卫星. 用改进核函数提高SVM 的雷达目标
识别率[J].现代雷达, 2005, 27(10) :53 56.
[8] 赵晶, 张旭东, 高隽. 基于支持向量机的多类形状识别
系统[J].合肥工业大学学报, 2004, 27(1) :23 26. [9] 边肇奇, 张学工. 模式识别[M]. 2版. 北京:清华大学出
版社, 2000.
3 结论
支持向量机用于模式识别的实现步骤比较简单, 不需要长时间的训练过程, 只需根据初始样本求解最优超平面(即找出支持向量) , 进而确定决策函
数, 然后即可泛化推广识别其他待识别的样本。本文提出了一种改进径向基核函数的支持向量机, 并进行了计算机仿真验证, 结果表明, 在小样本数据下, 改进的SVM 方法分类性能优于模糊k -近邻算法, 所需运算时间更短, 更易于实时实现。
必须指出的是, 上述实验结果是在小样本情况下得到的, 随着样本数目的增大, 所需的计算时间和空间存储资源都会成几何级数增加, 支持向量数目
(上接第22页)
[4] 叶昊, 王贵增, 方崇智. 小波变换在故障检测中的应用
[J]. 自动化学报, 1997, 23(6) :736-741.
[5] 汪光森, 王乘. 基于自适应Volterra 滤波器的非线性系
统辨识[J]. 电光与控制, 2005, 12(2) :42-43.
[6] 周东华, 孙优贤, 席裕庚, 等. 一类非线性系统参数偏差
型故障的实时检测与诊断[J]. 自动化学报, 1993, 19(2) :184-189.
[7] ISERMANN R. Fault diagnosis of machines via parameter es
ti mation and knowledge processing tu torial paper [J]. Auto matica, 1993, 29(4) :815-835.
[8] 周东华. 三相感应电动机的在线故障检测与诊断问题
研究[J]. 控制理论与应用, 1995, 12(1) :58-63. [9] ZHOU D H, FRANK P M. Faul t diagnos tics and faul t tolerant
control[J]. IEEE Trans. on Aerospace and Electronic Sys tems, 1998, 34(2) :420-427.
[10] 屈梁生, 何正嘉. 机械故障诊断学[M ].上海:上海科
学技术出版式社, 1990.
[11] 吕柏权, 李天铎. 一种基于小波网络的故障检测方法
[J]. 控制理论与应用, 1998, 15(5) :89-93.
[12] 叶昊, 王贵增, 方崇智, 等. 一种基于小波变换的导弹
运输车辆故障诊断方法[J]. 自动化学报, 1998, 24(3) :301-306.
[13] 胡昌华, 许化龙. 智能检测与诊断专家系统在火箭中
的应用:现代科技新进展[M]. 西安:西北工业大学出版社, 1995:234-238.
[14] 林尧瑞, 张钹, 石纯一. 专家系统原理与实践[M ]. 北
京:清华大学出版社, 1988.
[15] 永泉, 高翔. 液压泵故障诊断的模式识别法[C]//第二
届全国机械设备故障诊断学术会议论文集. 1988:614-623.
[16] 田蔚风, 金志华, 陆恺. 人工神经网络在卫星姿态测量
系统故障诊断中的应用研究[J]. 航天控制, 1999, 17(18) :78-82.
[17] 贺仲雄. 模糊数学及应用[M ]. 天津:天津科技出版
社, 1985.
[18] 谭永红. 基于BP 神经网络的自适应控制[J]. 控制理
论与应用, 1994, 11(1) :86-87.
[19] 黄俊, 张斌, 鲁艺. 基于改进BP 网络的武器效能评估
专家系统[J].电光与控制, 2005, 12(4) :28-31. [20] 李界家, 方帅, 石维苹. 控制系统的故障诊断方法[J].
沈阳建筑工程学院学报, 2001, 1(1) :59-63.
第14卷第4期电光与控制Vol. 14 ∀. 4
2007年8月ELECTRONICS OPTICS &CONTROL Aug. 2007
文章编号:1671-637 (2007) 04 0019 04
控制系统故障诊断浅析
蔡宗平, 汤正平, 王跃钢, 史 磊
(第二炮兵工程学院, 西安 710025)
摘 要: 简要回顾了故障诊断技术的发展历程, 介绍故障诊断的基本概念, 着重综述基于模型故障诊断技术和不依赖于模型的智能故障诊断技术特点和发展概况。为未来故障诊断技术的发展提出了一些展望。
关 键 词: 智能故障诊断; 专家系统; 模式识别; 模糊数学; 神经网络; 故障树中图分类号: V271. 4; TP206. 3文献标识码: A
Analysis of fault diagnosis
C AI Zong-ping, TANG Zheng-ping, W ANG Yue-gang, SHI Lei
(T he Second Artillery Engineering College, Xi an 710025, China)
Abstract: The development of the fault diagnosis technique is revie wed and the basic principles of the diag nosis are presented. The fea tures and the development of the fault dia gnosis techniques which are based on the model or independent of the model are discussed in detail. Some prospec ts for the future development of the fault diagnosis techniques are also presented.
Key words: intelligent fault diagnosis; expert syste m; pattern recognition; fuzzy mathematics; neu ral network; fault tree technique
以信号处理和建模处理为基础的现代诊断技术, 在工程中已得到广泛的应用。但这些方法都有一定局限性, 主要表现在:1) 不能有效地利用专家的知识和经验; 2) 缺乏推理能力, 不能象专家一样既能向前推理, 又能向后推理; 3) 不具备学习机制; 4) 对测试诊断结果缺乏解释, 测试诊断程序的修改和维护性差。近年来, 为了满足复杂系统的诊断要求, 随着计算机及人工智能的发展, 诊断技术进入以知识处理为核心, 信号处理、建模处理与知识处理相融合的第三发展阶段! 智能诊断阶段。智能故障诊断技术的研究目前主要向两个方向展开:基于知识的智能故障诊断技术的研究和基于神经网络的智能故障诊断技术的研究[2]。
0 引言
为了提高控制系统的维修性和安全性, 人们迫切需要建立一个监控系统对控制系统进行故障诊断, 监视控制系统的运行状态, 实时检测出系统发生的故障,
并对故障原因、故障频率和故障的危害程度进行分析、判断, 得出结论, 采取必要的措施, 防止系统灾难性事故的发生。这就需要研究和应用控制系统的故障诊断理论。控制系统故障诊断技术的基础理论是现代控制论、计算机工程、数理统计、信号处理、模式识别、人工智能、人工神经网络以及相应的应用学科, 它的研究已经成为控制领域中的前沿课题。
故障诊断技术发展至今已经历了3个阶段。第一阶段, 诊断结果在很大程度取决于领域专家的感官和专业经验, 对诊断信息只作简单的数据处理。第二阶段是以传感器技术和动态测试技术为手段,
收稿日期:2005 12 07 修回日期:2006 02 24
作者简介:蔡宗平(1964 ) , 男, 陕西岐山人, 硕士, 主要研究
方向为导航、制导与控制。
[1]
1 故障诊断的概念
故障定义为使系统表现出不希望特性的任何异常现象, 或动态系统中部分元器件功能失效导致整个系统性能恶化的情况或事件。当系统发生故障时, 系统中的各种量(可测的或不可测的) 或它们的一部分表现
20
电光与控制 第14卷
障信息, 如何找到故障的特征描述, 并利用它们进行故障的检测隔离就是故障诊断的任务。
1) 故障特征的提取。通过测量和一定的信息处理技术获取反映系统故障的特征描述的过程。故障特征可分为:可测的系统输入输出信息; 不可测的状态变量; 不可测的模型参数向量; 不可测的特征向量; 人为的经验知识。故障提取方法有:直接观察和测量; 参数估计、状态估计或滤波与重构; 对测量值进行某种信息处理。
2) 故障的分离与估计。根据故障检测的故障特征确定系统是否出现故障以及故障程度的过程。
3) 故障的评价与决策。根据故障分离与估计的结论对故障的危害及严重程度作出评价, 进而作出是否停止任务进程及是否需要维修更换的决策。
根据对电路故障诊断要求的高低, 可分为故障检测、故障定位和故障识别3级。
#故障检测。判断被测电路是否存在故障, 这是故障诊断的最低要求。
∃故障识别。要求确定故障电路中故障元件的参数值, 这是故障诊断的最高要求。
%故障定位。要求确定电路中的故障元件范围, 范围可为一子电路、元件区域及元件, 它对故障诊断的要求介于故障检测及故障识别之间。
然后将它与输出的测量值作比较从中取得故障信息。它又可分为两种:基于状态估计和参数估计的故障诊断方法。
2. 1. 1 基于状态估计的故障诊断方法
1971年Beard 首先提出故障诊断检测滤波的概念, 标志着基于状态估计的解析冗余故障诊断方法的诞生。发展至今形成了3种方法:Beard 提出的故障检测滤波器的方法; Menra 和Peshon 提出的基于Kalman 滤波器的方法、Clark 提出的构造Kalman 滤波器阵列功Lunberg 观测器的方法; Deckert 提出的一致性空间的方法[1]。实现分为两步:1) 形成残差, 即真实系统的输出与状态观测器或卡尔曼滤波器的输出差值; 2) 从残差中提取故障特征进而实现故障诊断。优点是概念清楚, 实现简单, 故障检测和诊断速度快。但突出问题是:未知输入(干扰、未建模动态等未知干扰因素) 与故障、故障与故障之间的可分离问题。本质是故障诊断系统对模型误差及其他不确定干扰的抗拒能力, 当前对它的处理方法有:1) 设计时忽略不确定因素, 将设计好的观测器置于存在不确定因素的条件下进行实验、评估, 如果不满足性能要求, 再对设计加以修改完善; 2) 设计时全面考虑不确定因素的影响, 对系统进行优化, 使系统对不确定因素呈现出鲁棒性[1]。状态估计方法在实际中得到了广泛的应用, 如飞机横轴自动驾驶仪采用检测滤波器方法, F8-C 战斗机采用扩展的卡尔曼滤波器, 核反应堆采用多滤波器方法, 水翼艇、机器人[3]、三容水箱[4]采用观测器方法, 天然气管线采用自适应状态估计。故障诊断的鲁棒性常常与故障诊断系统对故障的敏感性要求相矛盾, 要求折衷考虑。但方法的求解都十分复杂, 寻求用计算机迭代求解的鲁棒观测器设计方法成为以后的发展方向。2. 1. 2 基于参数估计的方法
Isermand 在1984年对基于参数估计的故障诊断方法作出了完整的描述。思路是:由机理分析确定系统的模型参数和物理元器件参数之间关系方程 =f (p ) , 由实时辨识求得系统的实际的模型参数^ , 由 =f (p ) 和^ 解实际的物理元器件参数p ^, 将p ^和p 的标称值作比较, 从而确定系统是否故障及故障的程度。优点是具有提供故障发生的位置和程度的潜力, 能够同时对传感器、执行器以及元部件故障进行检测与隔离。缺点是:1) 有时求解物理元件参数是困难的甚至是不可能的; 2) 当系统发生故障时, 不仅可能引起模型参数变化, 而且还可能引起模型结构的2 故障诊断的方法浅析
故障的分类可从不同的方面进行, 从故障发生的部位看, 可分为仪表故障、执行器故障和元件故障; 根据故障性质, 可分为突变故障和缓慢故障; 从建模角度可分为乘性故障和加性故障。至于故障诊断的方法, 一般可分为硬件冗余方法和软件冗余方法。硬件冗余方法需要增加测试设备, 使系统复杂, 成本高, 所以多采用软件冗余。本文主要介绍软件冗余方法。软件冗余方法可分为两大类:1) 基于控制系统解析模型的诊断方法; 2) 不依赖于解析模型的诊断方法, 它又可分为基于信号处理的诊断方法和基于知识的诊断方法。
故障诊断的过程有3个主要步骤:1) 检测设备状态的特征信号; 2) 从所检测到的特征信号中提取征兆; 3) 根据征兆和其他诊断信息来识别设备的状态, 从而完成故障诊断。根据系统采用的特征描述和决策方法的差异形成了不同的故障诊断方法。2. 1 基于模型的故障诊断方法
核心思想是用解析冗余取代硬件冗余(冗余) 。,
[1]
第4期 蔡宗平等: 控制系统故障诊断浅析
21
推算法; 3) 系统发生故障时, 系统故障引起参数结构和参数变化的形式是不确定的, 而对于不确定时变, 变结构变参数辨识问题, 目前的辨识方法难以胜任。在实际应用中经常将参数估计[5]方法与其他解析模型的方法结合起来使用, 以便获得更好的故障检测和分离性能。参数估计的故障诊断方法在实际生产中得到广泛的应用, 如机床的故障诊断, 造纸机的故障检测[7], 三相感应电动机的故障检测[8], 以及非线性系统的集成故障诊断与容错控制[9]。
2. 2 不依赖于模型的故障诊断
目前, 以传感器技术为基础, 以信息处理技术为手段的信息诊断结合计算机系统技术的智能诊断, 已成为当前诊断领域的主流。
2. 2. 1 基于信息的故障诊断
1) 可测值或其变化趋势值检查方法。根据可测的输入输出及其变化趋势来进行故障诊断。其依据是:正常情况下, 被控过程的输入输出及变化趋势在一定范围内变动。基于可测信号处理的故障诊断方法:系统的输出在幅值、相位、频率及相关性上与故障存在着某种关系, 如旋转机械中的滚动轴承在出现疲劳脱落、压痕或局部腐蚀等故障时其振动信号的功率谱就会出现相应的反应, 以此可确定系统故障。以上方法实现简单, 在工程上有广泛应用, 但这种方法只有当故障发展到相当程度并影响到外特征时才有效, 而且只对故障范围作出粗略的判断, 大多数情况下不能直接定位故障。
2) 基于小波变换的故障检测方法。在基于信号分析的故障诊断技术中, 小波变换由于能够以不同的&尺度∋或&分辨率∋为观察信号, 具有变时域、频域窗, 因此可用来对突变信号进行检测。利用小波变换进行故障检测时, 同时对系统的输入和被检测信号(系统的输出或可能的状态变量) 进行小波变换。然后分析不同尺度下信号的变换结果。在被检测信号小波分析中剔除由于输入信号变化所引起的奇异点, 剩下的奇异点就是发生的故障点。小波分析作为&数学显微镜∋, 具有很优秀的&探微∋能力, 不需要系统的数学模型, 对噪声的抑制能力强, 有较高的灵敏度, 运算量也不大, 无论多么复杂的信号只要选取适当的小波, 进行适当次数的变换, 就可以发现其中所包含的诊断信息, 从而应用于诊断领域。如导弹运输车的故障诊断[12]、直升机的故障诊断。
2. 2. 2 基于智能的故障诊断
1) 故障诊断的专家系统方法。利用专家积累, [11]
[10]
[9]
[6]
问题和解决问题的过程, 求解复杂的故障诊断问题, 确定故障的原因和部位。故障诊断专家系统至少由知识库、推理机、人机接口3部分组成。知识库通过&知识获取∋机构与领域专家相联系, 形成专家系统与领域专家的人机接口, 并通过知识的获取建立和更新知识库。推理机运用知识库中提供的知识, 按一定的推理策略进行推理, 以达到要求的目标。优点是:表达直观、形式统一、模块性强、推理机制简单, 克服了对模型的过分依赖性, 在故障诊断领域中得到广泛的应用。但该方法实现故障诊断准确度依赖于专家知识库中专家知识丰富程度和专家水平的高低。且知识库建立费时而困难重重, 如有些直觉难以形式化描述, 并且当系统较大时存在&组合爆炸∋和&冲突消解∋等问题; 推理效率低和缺少有效的自学习、自适应机制。专家系统故障诊断在工程上的实际应用有火箭发动机故障诊断专家系统[13]、卫星控制系统地面实时故障诊断、导弹自动测试设备(ATE) 的专家系统等。并经常与其他故障诊断方法结合起来使用, 相互取长补短。
2) 故障树故障诊断方法。故障是表示系统或特定事件或不希望事件与它的各个子系统或各个部件故障事件之间的逻辑结构, 通过这种结构对系统故障形成原因作出总体至部分按树逐渐地细化划分。故障树分析方法可对系统或机器的故障进行预测和诊断, 分析系统的薄弱环节, 实现最优化。用故障树分析法不仅可以分析系统硬件故障和软件故障, 还可以考虑到人为因素; 不仅可以分析单一故障诱发的系统故障, 而且还可以分析两个以上构件同时发生故障时才会发生的系统故障, 可靠性高。典型的应用有民兵导弹发射的随机预测, 波音公司的飞机故障的故障树分析程序。其缺点是建立故障树很麻烦, 工作量大, 有可能漏掉重大的部件或元件故障, 且理论性强, 逻辑严密, 对分析人员的要求很高。
3) 模式识别的故障诊断方法。模式识别就是指识别出给定物体所模仿的标本。模式识别方法的基本思想是对系统的工作流程经过仿真和分析, 加上人们的经验, 建立各种故障模式, 根据测量信息, 确定系统属于哪一种模式, 从而检测和分离故障。实现步骤分两个阶段:#离线分析。通过离线分析确定能够表达系统故障状态的特征向量集和以该特征向量集描述的故障模式向量, 由此形成故障的基准模式集, 并确定区分识别这些故障模式的判别函数。∃在线诊断。实时提出故障的特征向量, 由判别函数对故障[14]
控制系统中应用最为广泛, 通常系统自动诊断和自检测都是采用模式识别方法, 如液压泵的故障诊断[15]。缺点是要求对过程的机理, 尤其是对故障机理, 应有十分清楚的了解, 必须掌握故障模式、影响及危害性分析、故障树分析、故障决策表分析等方法; 另外还要做大量的故障仿真实验; 表达系统故障的特征向量和确定合适的判别函数非常困难。当前的发展是和神经网络、模糊数学相融合[16]。
4) 基于模糊数学的故障诊断方法。模糊诊断在一定程度上模拟人的诊断, 不需要有准确的诊断对象数学模型, 利用隶属函数和模糊规则进行模糊推理, 实现故障诊断。模糊化模块将输入的故障精确量转化成模糊化量, 然后由模糊推理模块根据知识库中的领域知识进行推理, 清晰化模块则将推理结果变换成清晰量提交给用户。在故障诊断中, 故障征兆常常显示出模糊性, 故障与征兆的关系往往也是模糊的, 因而以模糊集表示的模糊语言变量能更准确地表示具有模糊特性的征兆和故障, 符合事物的客观本质, 而且能处理诊断中的不确定信息。同时模糊语言变量接近自然语言, 知识的表示可读性强, 类似人类的思维过程, 易于解释。对故障的模糊性和精确性知识进行统一描述和推理, 并具有可修改性和可扩充性等优点[17]。一般是和其他方法组合起来应用, 如空调实验装置的冷却线圈故障诊断采用模糊诊断方法, 液压系统故障诊断采用模糊神经网络诊断方法。但困难在于建立模糊关系矩阵和如何确定某故障属于某一成因的隶属度, 即如何确定故障的模糊隶属度向量, 因为这些都依赖于对系统的认识和有关系统的先验知识。直接从系统的运行数据中提取这些信息的方法可能是下一步的发展方向。
5) 基于人工神经网络的故障诊断方法。人工神经网络是由大量简单的处理单元, 以某种拓扑方式相互连接而成的动力学系统, 信息处理由神经元之间的大规模连接权值与作用函数的并行运算实现。实现故障诊断分为2个阶段:#学习阶段。选定合适的网络结构和规模, 借助一定的学习算法, 以能反映系统的动态特性、建模误差和干扰影响的变量作为神经网络的输入, 以对应状态编码(可人为规定) 为期望输出, 构成输入/期望输出样本对, 对神经网络进行训练, 确定神经网络的权值和阈值, 当学习收敛后冻结神经网络的权值和阈值。∃故障诊断阶段。使训练好的神经网络处于回想状态, 对于一个给定的输入, 便产生一个相应的输出, 由输出与故[2]
大规模并行运行处理, 具有整体效应, 容错性好, 具有自适应学习能力。实际应用有卫星姿态测量系统故障诊断、航天飞机发动机故障诊断、船舶柴油机故障诊断[18]、导弹控制系统动态测试与故障诊断[19]等。但困难是如何确定合适的网络结构和规模、算法的收敛性、实时性、快速性, 如何增加解释能力、透明性, 如何保证学习样本的完整性和代表性, 这些都是有待进一步研究的问题。
3 诊断技术的发展展望
从目前的发展来看, 信息诊断和智能诊断并不是完全独立的两个分支, 彼此之间仍然相互融合、相互渗透, 并且有更进一步集成的趋势。目前集成研究的方向主要是:1) 多种推理方法的集成, 基于混合推理策略的诊断。在基于知识的基础上, 主要研究不同推理方法的集成以便相互补充, 实现多形式、多角度的诊断推理, 提高系统的灵活性。2) 结合方式有很多, 如基于规则的推理(RB R) 与ANN 的结合, CBR 与RB R 和ANN 的结合, 模糊逻辑、ANN 与专家系统的结合等。其中模糊逻辑、ANN 与专家系统结合的诊断模型是最具发展前景的, 也是目前人工智能领域的研究热点之一。3) 多信息量融合, 多层次诊断集成。它集成知识库中的各种诊断知识, 结合数据库中的各种故障数据, 按照不同的故障情况进行综合分析、判断, 定位故障点。4) 诊断与控制相结合的集成。根据当前设备的健康状况决定设备运行方式或策略, 最终要预知故障, 从而防止故障的发生, 是最高级的集成化趋势。
[20]
4 结束语
未来故障诊断正快速向智能化、信息化、敏捷化发展。其中以相互结合, 取长补短的故障诊断最有发展前景, 并逐步向集成方向发展。故障诊断在理论方面取得了巨大成果, 但如何将故障诊断方法应用于实际中, 还有待于进一步研究。参考文献:
[1] 胡昌华. 控制系统故障诊断与容错控制的分析和设计
[M]. 北京:国防工业出版社, 2000.
[2] 闻新, 张洪钺, 周露. 控制系统的故障诊断和容错控制
[M]. 北京:机械工业出版社, 1998.
[3] KUMAMARUK K. Robust fault detection using index of Kull
back discrimination i nformation[C]//Proc. of IF AC World Congress, 1996:205-210.
(下转第26页)
能好坏和k 的选取有很大关系。当b 1=2时, 其最小错分率在k =9时取得, 为3. 3%; 当b 1=1. 5时, 其最小错分率在k =8时取得, 也为3. 3%。本实验的仿真环境为:CPU 为Intel 奔腾2. 4GHz, 内存512M, 计算软件为Matlab 6. 5, 基于支持向量机的分类器耗时0. 8s, 模糊k -近邻分类器耗时16. 7s 。分析以上结果可知, 改进的SVM 方法分类性能比模糊k -近邻算法的分类性能更好, 且运算时间更短, 更易于实时实现。
随之急剧增加, 训练难度迅速增大, SVM 分类器性能明显下降, 最终导致检测性能急剧下降。如何提高大样本甚至海量样本下的SVM 分类器性能, 这是作者正在研究的工作。参考文献:
[1] 史忠值. 知识发现[M].北京:清华大学出版社, 2002. [2] HAGAN M T. 神经网络设计[M]. 戴葵, 译. 北京:机械工
业出版社, 2002.
[3] 郭志恒, 张彤. 应用神经元网络方法实现目标分类[J].
电光与控制, 1998, 5(1) :59 62.
[4] 孙德山. 支持向量机分类与回归方法研究[D].长沙:中
南大学, 2004.
[5] VAPNIK V N. 统计学习理论的本质[M]. 张学工, 译. 北
京:清华大学出版社, 2000.
[6] 李映, 白本督, 焦李成. 支撑矢量机的分类机理[J]. 系
统工程与电子技术, 2001, 23(9) :25 27.
[7] 许秀英, 盛卫星. 用改进核函数提高SVM 的雷达目标
识别率[J].现代雷达, 2005, 27(10) :53 56.
[8] 赵晶, 张旭东, 高隽. 基于支持向量机的多类形状识别
系统[J].合肥工业大学学报, 2004, 27(1) :23 26. [9] 边肇奇, 张学工. 模式识别[M]. 2版. 北京:清华大学出
版社, 2000.
3 结论
支持向量机用于模式识别的实现步骤比较简单, 不需要长时间的训练过程, 只需根据初始样本求解最优超平面(即找出支持向量) , 进而确定决策函
数, 然后即可泛化推广识别其他待识别的样本。本文提出了一种改进径向基核函数的支持向量机, 并进行了计算机仿真验证, 结果表明, 在小样本数据下, 改进的SVM 方法分类性能优于模糊k -近邻算法, 所需运算时间更短, 更易于实时实现。
必须指出的是, 上述实验结果是在小样本情况下得到的, 随着样本数目的增大, 所需的计算时间和空间存储资源都会成几何级数增加, 支持向量数目
(上接第22页)
[4] 叶昊, 王贵增, 方崇智. 小波变换在故障检测中的应用
[J]. 自动化学报, 1997, 23(6) :736-741.
[5] 汪光森, 王乘. 基于自适应Volterra 滤波器的非线性系
统辨识[J]. 电光与控制, 2005, 12(2) :42-43.
[6] 周东华, 孙优贤, 席裕庚, 等. 一类非线性系统参数偏差
型故障的实时检测与诊断[J]. 自动化学报, 1993, 19(2) :184-189.
[7] ISERMANN R. Fault diagnosis of machines via parameter es
ti mation and knowledge processing tu torial paper [J]. Auto matica, 1993, 29(4) :815-835.
[8] 周东华. 三相感应电动机的在线故障检测与诊断问题
研究[J]. 控制理论与应用, 1995, 12(1) :58-63. [9] ZHOU D H, FRANK P M. Faul t diagnos tics and faul t tolerant
control[J]. IEEE Trans. on Aerospace and Electronic Sys tems, 1998, 34(2) :420-427.
[10] 屈梁生, 何正嘉. 机械故障诊断学[M ].上海:上海科
学技术出版式社, 1990.
[11] 吕柏权, 李天铎. 一种基于小波网络的故障检测方法
[J]. 控制理论与应用, 1998, 15(5) :89-93.
[12] 叶昊, 王贵增, 方崇智, 等. 一种基于小波变换的导弹
运输车辆故障诊断方法[J]. 自动化学报, 1998, 24(3) :301-306.
[13] 胡昌华, 许化龙. 智能检测与诊断专家系统在火箭中
的应用:现代科技新进展[M]. 西安:西北工业大学出版社, 1995:234-238.
[14] 林尧瑞, 张钹, 石纯一. 专家系统原理与实践[M ]. 北
京:清华大学出版社, 1988.
[15] 永泉, 高翔. 液压泵故障诊断的模式识别法[C]//第二
届全国机械设备故障诊断学术会议论文集. 1988:614-623.
[16] 田蔚风, 金志华, 陆恺. 人工神经网络在卫星姿态测量
系统故障诊断中的应用研究[J]. 航天控制, 1999, 17(18) :78-82.
[17] 贺仲雄. 模糊数学及应用[M ]. 天津:天津科技出版
社, 1985.
[18] 谭永红. 基于BP 神经网络的自适应控制[J]. 控制理
论与应用, 1994, 11(1) :86-87.
[19] 黄俊, 张斌, 鲁艺. 基于改进BP 网络的武器效能评估
专家系统[J].电光与控制, 2005, 12(4) :28-31. [20] 李界家, 方帅, 石维苹. 控制系统的故障诊断方法[J].
沈阳建筑工程学院学报, 2001, 1(1) :59-63.